Second-order instantaneous causal analysis of spontaneous MEG
Notice bibliographique
Résumé
Despite decades of research, discovering instantaneous causal relationships from observational brain imaging data, such as spontaneous MEG energies or fMRI, remains a difficult problem. Popular methods, such as Granger Causality and Non-Gaussian Structural Equation Models (SEM), either are unable to handle instantaneous effects or do not work because the data are not non-Gaussian enough. Here, we propose a model with instantaneous causality for temporally dependent variables; these are both very common properties in neuroimaging data. Then, we propose a method to estimate the causal directions based on likelihood ratios, which are related to mutual information between the residual and data variables. We thus construct a simple decision criterion that allows for instantaneous causal discovery in time-dependent data. The proposed method is computationally and conceptually very simple, and we show with simulated data that it performs well even in the case of limited sample sizes, presumably due to the general optimality properties of likelihood. We further apply it to an MEG dataset from the Cam-CAN repository, for which the method gives consistent causal directionalities of energies both intra-subject and inter-subject, as measured by split-half tests. It also gives better performance than Granger causality and non-Gaussian SEM methods in a brain age prediction task. The results also demonstrate that our method might be useful in analyzing causal brain connectomes in functional brain-imaging data.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,012 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,006 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».